靜態(tài)場景下運動目標的檢測與跟蹤.pdf

1、運動目標的檢測與跟蹤是計算機視覺研究領(lǐng)域中重要的研究方向之一，運動目標檢測處于運動目標跟蹤的最底層，是運動目標跟蹤的基礎(chǔ)，從視頻場景中準確的檢測到運動目標，對于運動目標的跟蹤有重要的意義。運動目標的跟蹤的準確性除了與運動目標檢測的準確性有關(guān)之外，還與其周圍環(huán)境的變化有關(guān)。目標跟蹤算法的穩(wěn)定性、精確性和實時性已成為一個重要的研究課題。
　　 本論文主要研究靜態(tài)場景下運動目標的檢測方法和跟蹤方法。
　　 針對運動目標的檢測問

2、題，本文首先介紹了常用的靜態(tài)場景下的運動目標檢測方法，然后研究了一種檢測方法以解決背景局部區(qū)域快速發(fā)生變化的情況，即采用原來是背景的物體變?yōu)榍熬暗臋z測方法，通過融合背景模型幀間差分法，高斯混合模型和碼本模型的算法，并利用背景模型幀間差分法可以將物體區(qū)域分為背景區(qū)域和運動區(qū)域，再融合高斯混合模型和碼本模型，可以更加精確的在不留拖影的情況下完成目標的檢測。實驗證明該算法可以實時精確的提取出運動目標。
　　 針對運動目標的跟蹤問題，本

3、文在分析已有的靜態(tài)場景下運動目標跟蹤方法的基礎(chǔ)上，將常用的跟蹤方法中均值漂移meanshift算法和自適應均值漂移camshift算法分別結(jié)合卡爾曼濾波算法對運動目標進行跟蹤。由于運動目標可以近似為線性模型，建立運動目標的線性狀態(tài)模型和觀測模型，將檢測得到的目標的中心位置賦予卡爾曼濾波觀測值，并根據(jù)遮擋因子判斷目標是否被遮擋，若未被遮擋則將卡爾曼濾波的預測值作為目標當前幀位置利用meanshift算法或camshift算法迭代到運動目標

4、的中心最優(yōu)值，若目標被遮擋，則將卡爾曼濾波預測位置作為運動目標的中心最優(yōu)值。UKF是一種用采樣方法近似非線性分布來次優(yōu)近似解決非線性濾波問題，具有性能穩(wěn)定，精度高，適應性強的特點。但是在實際應用中的運動目標通常是非線性的，為了提高跟蹤的精確度，本文將UKF濾波分別與meanshift算法和camshift算法相結(jié)合以提高跟蹤精度。即將目標檢測得到運動目標的中心位置賦予UKF濾波觀測值，并根據(jù)遮擋因子判斷目標是否被遮擋，若未被遮擋將UKF

5、預測值作為當前幀位置利用meanshift算法或camshift算法迭代到目標的中心最優(yōu)值，若目標被遮擋，則將UKF濾波預測的目標位置作為目標的最優(yōu)位置。UKF融合meanshift算法和camshift算法相較于KF融合meanshift和camshift算法精度較高。該算法可以提高跟蹤目標的實時性、精確性和抗遮擋性。并通過實驗證明該方法的有效性。
　　 本文所研究的方法在運動目標的局部背景快速發(fā)生變化的情況下，可以對于運動目